[논문 리뷰] Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception

Alberto Elfes|arXiv (Cornell University)|2013. 03. 27.

Robotics and Sensor-Based Localization참고 문헌 12인용 수 221

한 줄 요약

이 논문은 환경 점유를 확률적 격자에서 각 셀이 점유됨을 믿는 정도를 유지하는 스토케스틱 공간 표현인 오브젝시피 그리드를 소개한다. 다중 센서, 다중 시야 데이터를 사용한 베이지안 추론을 통해 불확실성 하에서 강건하고 인크리멘탈적인 맵핑, 경로 계획, 장애물 회피를 가능하게 하며, 명시적인 불확실성 처리를 통해 실제 로봇 인식 작업에서 뛰어난 성능을 보인다.

ABSTRACT

In this paper we provide an overview of a new framework for robot perception, real-world modelling, and navigation that uses a stochastic tesselated representation of spatial information called the Occupancy Grid. The Occupancy Grid is a multi-dimensional random field model that maintains probabilistic estimates of the occupancy state of each cell in a spatial lattice. Bayesian estimation mechanisms employing stochastic sensor models allow incremental updating of the Occupancy Grid using multi-view, multi-sensor data, composition of multiple maps, decision-making, and incorporation of robot and sensor position uncertainty. We present the underlying stochastic formulation of the Occupancy Grid framework, and discuss its application to a variety of robotic tusks. These include range-based mapping, multi-sensor integration, path-planning and obstacle avoidance, handling of robot position uncertainty, incorporation of pre-compiled maps, recovery of geometric representations, and other related problems. The experimental results show that the Occupancy Grid approach generates dense world models, is robust under sensor uncertainty and errors, and allows explicit handling of uncertainty. It supports the development of robust and agile sensor interpretation methods, incremental discovery procedures, and composition of information from multiple sources. Furthermore, the results illustrate that robotic tasks can be addressed through operations performed di- rectly on the Occupancy Grid, and that these operations have strong parallels to operations performed in the image processing domain.

연구 동기 및 목표

• 센서의 불확실성과 동적인 환경을 다룰 수 있는 통합된 확률적 공간 표현을 개발하기 위해.
• 베이지안 추정을 통한 불확실성 전파를 수반하는 인크리멘탈적, 다중 센서 맵 빌딩을 가능하게 하기 위해.
• 단일이고 일관된 세계 모델을 사용하여 경로 계획 및 장애물 회피와 같은 로봇 주행 작업을 지원하기 위해.
• 로봇 자세의 불확실성과 사전에 컴파일된 맵을 일관된 공간 프레임워크에 통합하기 위해.
• 복잡한 로봇 시스템에서 센서 해석과 정보 융합의 기초를 제공하기 위해.

제안 방법

• 오브젝시피 그리드는 공간을 격자 형태의 셀로 표현하며, 각 셀은 점유 확률을 할당하고 베이지안 업데이트 메커니즘을 사용한다.
• 다양한 시야와 센서에서 온 센서 데이터는 확률적 센서 모델을 사용해 융합되어 셀의 점유 확률을 인크리멘탈하게 업데이트한다.
• 프레임워크는 후행 확률의 유지에 대해 재귀적 베이지안 추정을 사용하며, 로봇 및 센서 위치의 불확실성을 통합한다.
• 지도 조합은 확률적 융합 규칙를 사용해 다수의 격자를 병합함으로써 대규모 환경 모델링을 지원한다.
• 경로 계획 및 장애물 회피와 같은 연산은 이미지 처리와 유사한 공간 추론을 통해 직접 격자에서 수행된다.
• 후처리 및 임계값 설정을 통해 확률적 격자에서 기하학적 특징을 회복할 수 있다.

실험 결과

연구 질문

• RQ1 로봇은 센서 노이즈와 불확실성 하에서도 일관되고 확률적인 환경 표현을 어떻게 유지할 수 있는가?
• RQ2 다중 센서, 다중 시야 데이터를 사용해 공간 맵을 어떻게 효율적으로 인크리멘탈로 구축하고 업데이트할 수 있는가?
• RQ3 로봇 자세의 불확실성과 센서 오차는 공간 표현에 어떻게 명시적으로 모델링하고 전파할 수 있는가?
• RQ4 단일 공간 구조가 맵핑, 주행, 장애물 회피와 같은 다양한 로봇 작업을 동시에 지원할 수 있는가?
• RQ5 오브젝시피 그리드에서 수행되는 연산은 공간 추론을 위해 이미지 처리 기법을 어느 정도 모방할 수 있는가?

주요 결과

• 오브젝시피 그리드는 센서 노이즈와 오류에 강건한 고밀도 확률적 세계 모델을 생성한다.
• 베이지안 추론을 사용해 정확한 불확실성 전파를 수반하는 인크리멘탈 맵 업데이트를 가능하게 한다.
• 다중 센서 및 다중 시야 데이터 융합이 효과적으로 지원되어 맵 정확도와 완전성이 향상된다.
• 불확실성 하에서도 직접 격자에서 경로 계획 및 장애물 회피가 강력한 성능으로 수행될 수 있다.
• 사전에 컴파일된 맵과 로봇 자세의 불확실성을 통합하는 데 있어 원활한 통합이 가능하다.
• 격자 기반의 수식은 이미지 처리 연산과 강한 유사성을 보이며, 효율적인 공간 추론을 가능하게 한다.